Page d'accueil>Lié à la programmation>Code Source AI
Télécharger

logo

NLP-Models-Tensorflow , Rassemble des modèles d'apprentissage automatique et d'apprentissage profond Tensorflow pour les problèmes de PNL, le code est simplifié à 100 % dans les notebooks Jupyter .

Table des matières

  • Résumé abstrait
  • Chatbot
  • Analyseur de dépendances
  • Marquage d'entité
  • Résumé extractif
  • Générateur
  • Détection de la langue
  • Traduction automatique neuronale
  • ROC
  • Étiquetage PDV
  • Questions-Réponses
  • Paires de phrases
  • Parole en texte
  • Correction orthographique
  • Questions-Réponses SQUAD
  • Dérivé
  • Augmentation du texte
  • Classement du texte
  • Similitude du texte
  • Synthèse vocale
  • Générateur de sujets
  • Modélisation de sujets
  • Résumé extractif non supervisé
  • Vectoriseur
  • Vocodeur pour jeunes et vieux
  • Visualisation
  • Attention

Objectif

Les implémentations originales sont assez complexes et pas vraiment conviviales pour les débutants. J'ai donc essayé de simplifier la plupart des choses. En outre, il existe des tonnes de documents non encore publiés. Alors n'hésitez pas à l'utiliser pour vos propres recherches !

Je joindrai des référentiels github pour les modèles que je n'ai pas implémentés à partir de zéro. En gros, je copie, colle et corrige ce code pour les problèmes obsolètes.

Version Tensorflow

Tensorflow version 1.13 et supérieure uniquement, version 2.X non incluse. 1,13 < Flux Tensoriel < 2,0 

pip install -r requirements.txt

Contenu

Résumé abstrait

Formé sur l'actualité indienne.

Précision basée sur 10 époques uniquement, calculée en utilisant les positions des mots.

Liste complète (12 cahiers)
  1. LSTM Seq2Seq utilisant la modélisation thématique, précision du test 13,22 %
  2. LSTM Seq2Seq + Luong Attention utilisant la modélisation thématique, précision du test 12,39 %
  3. LSTM Seq2Seq + Beam Decoder utilisant la modélisation thématique, précision du test 10,67 %
  4. LSTM Bidirectionnel + Luong Attention + Décodeur de faisceau utilisant la modélisation thématique, précision du test 8,29 %
  5. Pointer-Generator + Bahdanau, https://github.com/xueyouluo/my_seq2seq, précision du test 15,51%
  6. Copynet, précision des tests 11,15 %
  7. Pointer-Generator + Luong, https://github.com/xueyouluo/my_seq2seq, précision du test 16,51 %
  8. Seq2Seq dilaté, précision du test 10,88 %
  9. Seq2Seq dilaté + auto-attention, précision du test 11,54 %
  10. BERT + CNN dilaté Seq2seq, précision du test 13,5 %
  11. auto-attention + Pointer-Generator, précision du test 4,34%
  12. Dilated-CNN Seq2seq + Pointer-Generator, précision du test 5,57 %

Chatbot

Formé sur le corpus Cornell Movie Dialog, table de précision dans chatbot.

Liste complète (54 cahiers)
  1. Cellule de base Seq2Seq-manuel
  2. Manuel LSTM Seq2Seq
  3. GRU Seq2Seq-manuel
  4. Cellule de base Seq2Seq-API gourmande
  5. LSTM Seq2Seq-API gourmand
  6. GRU Seq2Seq-API gourmand
  7. Cellule de base Bidirectionnelle Seq2Seq-manuel
  8. Manuel Seq2Seq bidirectionnel LSTM
  9. GRU Bidirectionnel Seq2Seq-manuel
  10. Cellule de base Bidirectionnelle Seq2Seq-API gourmande
  11. LSTM bidirectionnel Seq2Seq-API gourmand
  12. GRU bidirectionnel Seq2Seq-API gourmand
  13. Cellule de base Seq2Seq-manuel + Luong Attention
  14. LSTM Seq2Seq-manuel + Luong Attention
  15. GRU Seq2Seq-manuel + Luong Attention
  16. Cellule de base Seq2Seq-manuel + Bahdanau Attention
  17. LSTM Seq2Seq-manuel + Bahdanau Attention
  18. GRU Seq2Seq-manuel + Bahdanau Attention
  19. LSTM bidirectionnel Seq2Seq-manuel + Luong Attention
  20. GRU Bidirectionnel Seq2Seq-manuel + Luong Attention
  21. LSTM Bidirectionnel Seq2Seq-manuel + Bahdanau Attention
  22. GRU Bidirectionnel Seq2Seq-manuel + Bahdanau Attention
  23. LSTM bidirectionnel Seq2Seq-manuel + Bahdanau arrière + Luong avant
  24. GRU Bidirectionnel Seq2Seq-manuel + Bahdanau arrière + Luong avant
  25. LSTM Seq2Seq-API gourmand + attention Luong
  26. GRU Seq2Seq-API gourmand + attention Luong
  27. LSTM Seq2Seq-API gourmand + attention Bahdanau
  28. GRU Seq2Seq-API gourmand + attention Bahdanau
  29. Décodeur de faisceau LSTM Seq2Seq-API
  30. Décodeur de faisceau GRU Seq2Seq-API
  31. LSTM bidirectionnel Seq2Seq-API + Luong Attention + Décodeur de faisceau
  32. GRU Bidirectionnel Seq2Seq-API + Luong Attention + Décodeur de faisceau
  33. LSTM Seq2Seq-API bidirectionnel + Bahdanau arrière + Luong avant + Stack Bahdanau Luong Attention + Décodeur de faisceau
  34. GRU Seq2Seq-API bidirectionnel + Bahdanau arrière + Luong avant + Stack Bahdanau Luong Attention + Décodeur de faisceau
  35. Bytenet
  36. LSTM Seq2Seq + tf.estimateur
  37. Couches de capsules + LSTM Seq2Seq-API Greedy
  38. Couches de capsules + LSTM Seq2Seq-API + Luong Attention + Décodeur de faisceau
  39. LSTM Seq2Seq-API bidirectionnel + Bahdanau arrière + Luong avant + Stack Bahdanau Luong Attention + Décodeur de faisceau + Abandon + L2
  40. DNC Séq2Seq
  41. LSTM Seq2Seq-API bidirectionnel + Attention monotique Luong + Décodeur de faisceau
  42. LSTM Seq2Seq-API bidirectionnel + Attention monotique Bahdanau + Décodeur de faisceau
  43. Réseau mémoire de bout en bout + cellule de base
  44. Réseau mémoire de bout en bout + cellule LSTM
  45. L'attention est tout ce dont vous avez besoin
  46. Transformateur-XL
  47. L'attention est tout ce dont vous avez besoin + Beam Search
  48. Transformateur-XL + LSTM
  49. GPT-2 + LSTM
  50. CNN Séq2séq
  51. Conv-Encodeur + LSTM
  52. Tacotron + Décodeur gourmand
  53. Tacotron + Décodeur Beam
  54. Google NMT

Analyseur de dépendances

Formé sur la dépendance à l'anglais CONLL. Entraînez-vous à former, développez et testez les ensembles à tester.

Stackpointer et Biaffine-attention originaires de https://github.com/XuezheMax/NeuroNLP2 écrits en Pytorch.

Précision basée sur la précision de l'arc, des types et des racines après 15 époques seulement.

Liste complète (8 cahiers)
  1. RNN bidirectionnel + CRF + Biaffine, précision de l'arc 70,48 %, précision des types 65,18 %, précision de la racine 66,4 %
  2. RNN bidirectionnel + Bahdanau + CRF + Biaffine, précision de l'arc 70,82 %, précision des types 65,33 %, précision de la racine 66,77 %
  3. RNN bidirectionnel + Luong + CRF + Biaffine, précision de l'arc 71,22 %, précision des types 65,73 %, précision de la racine 67,23 %
  4. Base BERT + CRF + Biaffine, précision de l'arc 64,30 %, précision des types 62,89 %, précision de la racine 74,19 %
  5. RNN bidirectionnel + Attention biaffine + Entropie croisée, précision de l'arc 72,42 %, précision des types 63,53 %, précision de la racine 68,51 %
  6. Base BERT + Attention biaffine + Entropie croisée, précision de l'arc 72,85 %, précision des types 67,11 %, précision de la racine 73,93 %
  7. RNN bidirectionnel + Stackpointer, précision de l'arc 61,88 %, précision des types 48,20 %, précision de la racine 89,39 %
  8. Base XLNET + Attention Biaffine + Entropie croisée, précision de l'arc 74,41 %, précision des types 71,37 %, précision de la racine 73,17 %

Marquage d'entité

Formé sur CONLL NER.

Liste complète (9 cahiers)
  1. RNN + CRF bidirectionnel, précision du test 96 %
  2. RNN bidirectionnel + Luong Attention + CRF, précision du test 93 %
  3. RNN bidirectionnel + Bahdanau Attention + CRF, précision du test 95 %
  4. Char Ngrams + RNN bidirectionnel + Bahdanau Attention + CRF, précision du test 96 %
  5. Char Ngrams + RNN bidirectionnel + Bahdanau Attention + CRF, précision du test 96 %
  6. Char Ngrams + Réseau résiduel + Bahdanau Attention + CRF, précision du test 69%
  7. Char Ngrams + Attention, vous avez tous besoin + CRF, précision du test 90 %
  8. BERT, précision des tests 99 %
  9. Base XLNET, précision des tests 99 %

Résumé extractif

Formé sur l'ensemble de données de CNN News.

Précision basée sur ROUGE-2.

Liste complète (4 cahiers)
  1. LSTM RNN, précision du test 16,13 %
  2. CNN dilaté, précision du test 15,54 %
  3. Attention multi-têtes, précision du test 26,33 %
  4. Base BERT

Générateur

Formé sur l'ensemble de données Shakespeare.

Liste complète (15 cahiers)
  1. RNN + LSTM au niveau des caractères
  2. Recherche RNN + Beam par caractère
  3. RNN au niveau des caractères + LSTM + Embedding
  4. RNN + LSTM en termes de mots
  5. RNN mot à mot + LSTM + intégration
  6. Au niveau des caractères + Seq2Seq + GRU
  7. Mot par mot + Seq2Seq + GRU
  8. RNN au niveau des personnages + LSTM + Bahdanau Attention
  9. RNN au niveau des personnages + LSTM + Luong Attention
  10. Mot par mot + Seq2Seq + GRU + Beam
  11. Niveau caractère + Seq2Seq + GRU + Bahdanau Attention
  12. Mot par mot + Seq2Seq + GRU + Bahdanau Attention
  13. Recherche de CNN + Beam dilatée par caractère
  14. Recherche de transformateur + faisceau
  15. Transformateur XL + Recherche de faisceau

Détection de langue

Formé sur l'ensemble de données Tatoeba.

Liste complète (1 cahiers)
  1. Char N-Grams à texte rapide

Traduction automatique neuronale

Formé à l'anglais-français, table de précision en traduction neuro-machine.

Liste complète (53 cahiers)

1.basic-seq2seq 2.lstm-seq2seq 3.gru-seq2seq 4.basic-seq2seq-contrib-gourmand 5.lstm-seq2seq-contrib-gourmand 6.gru-seq2seq-contrib-gourmand 7.basic-birnn-seq2seq 8.lstm-birnn-seq2seq 9.gru-birnn-seq2seq 10.basic-birnn-seq2seq-contrib-gourmand 11.lstm-birnn-seq2seq-contrib-gourmand 12.gru-birnn-seq2seq-contrib-gourmand 13.basic-seq2seq-luong 14.lstm-seq2seq-luong 15.gru-seq2seq-luong 16.basic-seq2seq-bahdanau 17.lstm-seq2seq-bahdanau 18.gru-seq2seq-bahdanau 19.basic-birnn-seq2seq-bahdanau 20.lstm-birnn-seq2seq-bahdanau 21.gru-birnn-seq2seq-bahdanau 22.basic-birnn-seq2seq-luong 23.lstm-birnn-seq2seq-luong 24.gru-birnn-seq2seq-luong 25.lstm-seq2seq-contrib-gourmand-luong 26.gru-seq2seq-contrib-gourmand-luong 27.lstm-seq2seq-contrib-gourmand-bahdanau 28.gru-seq2seq-contrib- gourmand-bahdanau 29.lstm-seq2seq-contrib-beam-luong 30.gru-seq2seq-contrib-beam-luong 31.lstm-seq2seq-contrib-beam-bahdanau 32.gru-seq2seq-contrib-beam-bahdanau 33.lstm-birnn-seq2seq-contrib-beam-bahdanau 34.lstm-birnn-seq2seq-contrib-beam-luong 35.gru-birnn-seq2seq-contrib-beam-bahdanau 36.gru-birnn-seq2seq-contrib-beam -luong 37.lstm-birnn-seq2seq-contrib-beam-luongmonotonique 38.gru-birnn-seq2seq-contrib-beam-luongmonotic 39.lstm-birnn-seq2seq-contrib-beam-bahdanaumonotonique 40.gru-birnn-seq2seq-contrib-beam-bahdanaumonotic 41.residual-lstm-seq2seq-greedy-luong 42.residual-gru-seq2seq-greedy-luong 43.residual-lstm-seq2seq-greedy-bahdanau 44.residual-gru-seq2seq-greedy-bahdanau 45.memory-network-lstm-decoder-greedy 46.google-nmt 47.transformer-encoder-transformer-decoder 48.transformer-encoder-lstm-decoder-greedy 49.bertmultilingual -encodeur-bertmultilingual-décodeur 50.bertmultilingual-encoder-lstm-decoder 51.bertmultilingual-encoder-transformer-decoder 52.bertenglish-encoder-transformer-decoder 53.transformer-t2t-2gpu

OCR (reconnaissance optique de caractères)

Liste complète (2 cahiers)
  1. CNN + LSTM RNN, précision du test 100 %
  2. Im2Latex, précision des tests 100 %

Marquage POS

Formé sur CONLL POS.

Liste complète (8 cahiers)
  1. RNN + CRF bidirectionnel, précision du test 92 %
  2. RNN bidirectionnel + Luong Attention + CRF, précision du test 91 %
  3. RNN bidirectionnel + Bahdanau Attention + CRF, précision du test 91 %
  4. Char Ngrams + RNN bidirectionnel + Bahdanau Attention + CRF, précision du test 91 %
  5. Char Ngrams + RNN bidirectionnel + Bahdanau Attention + CRF, précision du test 91 %
  6. Char Ngrams + Réseau résiduel + Bahdanau Attention + CRF, précision du test 3%
  7. Char Ngrams + Attention, vous avez tous besoin + CRF, précision du test 89 %
  8. BERT, précision des tests 99 %

Questions-Réponses

Formé sur l'ensemble de données bAbI.

Liste complète (4 cahiers)
  1. Réseau mémoire de bout en bout + cellule de base
  2. Réseau mémoire de bout en bout + cellule GRU
  3. Réseau mémoire de bout en bout + cellule LSTM
  4. Mémoire dynamique

Paire de phrases

Formé sur Cornell Movie - Dialogs Corpus

Liste complète (1 cahiers)
  1. BERTE

Parole en texte

Formé sur l'ensemble de données vocales de Toronto.

Liste complète (11 cahiers)
  1. Tacotron, https://github.com/Kyubyong/tacotron_asr, précision du test 77,09 %
  2. BiRNN LSTM, précision du test 84,66 %
  3. BiRNN Seq2Seq + Luong Attention + Cross Entropy, précision du test 87,86 %
  4. BiRNN Seq2Seq + Bahdanau Attention + Cross Entropy, précision du test 89,28 %
  5. BiRNN Seq2Seq + Bahdanau Attention + CTC, précision du test 86,35 %
  6. BiRNN Seq2Seq + Luong Attention + CTC, précision du test 80,30 %
  7. CNN RNN + Bahdanau Attention, précision du test 80,23%
  8. CNN RNN dilaté, précision du test 31,60 %
  9. Wavenet, précision des tests 75,11 %
  10. Deep Speech 2, précision du test 81,40 %
  11. Wav2Vec Transfert d'apprentissage BiRNN LSTM, précision du test 83,24 %

Correction orthographique

Liste complète (4 cahiers)
  1. Base BERT
  2. Base XLNET
  3. BERT-Base rapide
  4. Base BERT précise

Questions-Réponses SQUAD

Formé sur l'ensemble de données SQUAD.

Liste complète (1 cahiers)
  1. BERTE, 
{ "exact_match" : 77.57805108798486 , "f1" : 86.18327335287402 }

Dérivé

Formé à la lemmatisation anglaise.

Liste complète (6 cahiers)
  1. LSTM + Seq2Seq + Faisceau
  2. GRU + Seq2Seq + Faisceau
  3. LSTM + BiRNN + Seq2Seq + Faisceau
  4. GRU + BiRNN + Seq2Seq + Faisceau
  5. DNC + Seq2Seq + gourmand
  6. BiRNN + Bahdanau + Copynet

Augmentation du texte

Liste complète (8 cahiers)
  1. Gant pré-entraîné
  2. GRU VAE-seq2seq-beam TF-probabilité
  3. Probabilité TF du faisceau LSTM VAE-seq2seq
  4. GRU VAE-seq2seq-beam + Bahdanau Attention TF-probabilité
  5. VAE + Attention Bahdanau déterministe, https://github.com/HareeshBahuleyan/tf-var-attention
  6. VAE + VAE Bahdanau Attention, https://github.com/HareeshBahuleyan/tf-var-attention
  7. Échantillonnage BERT-Base + Nucleus
  8. XLNET-Base + Échantillonnage de noyau

Classement du texte

Formé sur un ensemble de données de sentiments en anglais, un tableau d'exactitude dans la classification de texte.

Liste complète (79 cahiers)
  1. RNN cellulaire de base
  2. Cellule de base RNN + Charnière
  3. Cellule de base RNN + Huber
  4. Cellule de base RNN bidirectionnel
  5. Cellule de base RNN bidirectionnel + Charnière
  6. Cellule de base RNN bidirectionnel + Huber
  7. RNN de cellule LSTM
  8. Cellule LSTM RNN + Charnière
  9. Cellule LSTM RNN + Huber
  10. Cellule LSTM RNN bidirectionnel
  11. Cellule LSTM RNN + Huber bidirectionnel
  12. Cellule LSTM RNN + abandon + L2
  13. Cellule GRU RNN
  14. Cellule GRU RNN + Charnière
  15. Cellule GRU RNN + Huber
  16. Cellule GRU RNN bidirectionnel
  17. Cellule GRU RNN bidirectionnel + Charnière
  18. Cellule GRU RNN bidirectionnel + Huber
  19. LSTM RNN + Conv2D
  20. K-max Conv1j
  21. LSTM RNN + Conv1D + Autoroute
  22. LSTM RNN + Attention de base
  23. RNN dilaté LSTM
  24. RNN de cellule LSTM à norme de couche
  25. Réseau neuronal d'attention uniquement
  26. Réseau neuronal à attention multi-têtes
  27. Machine de Turing neuronale
  28. LSTM Seq2Seq
  29. LSTM Seq2Seq + Attention Luong
  30. LSTM Seq2Seq + Bahdanau Attention
  31. LSTM Seq2Seq + Décodeur de faisceau
  32. Seq2Seq bidirectionnel LSTM
  33. Filet de pointeur
  34. Cellule LSTM RNN + Bahdanau Attention
  35. Cellule LSTM RNN + Luong Attention
  36. Cellule LSTM RNN + Stack Bahdanau Luong Attention
  37. Cellule LSTM RNN bidirectionnel + Bahdanau arrière + Luong avant
  38. Bytenet
  39. LSTM rapide-lent
  40. Réseau siamois
  41. LSTM Seq2Seq + tf.estimateur
  42. Couches de capsules + RNN LSTM
  43. Couches de capsules + LSTM Seq2Seq
  44. Couches de capsule + LSTM Seq2Seq bidirectionnel
  45. LSTM imbriqué
  46. LSTM Seq2Seq + Autoroute
  47. Perte du triplet + LSTM
  48. DNC (ordinateur neuronal différenciable)
  49. ConvLSTM
  50. Réseau de conversion temporel
  51. Perte de triplet par lots + LSTM
  52. Texte rapide
  53. Réseau à convolution fermée
  54. Unité récurrente simple
  55. Réseau d'attention hiérarchique LSTM
  56. Transformateurs bidirectionnels
  57. Réseau de mémoire dynamique
  58. Réseau d'entités
  59. Réseau de mémoire de bout en bout
  60. Réseau clairsemé profond BOW-Chars
  61. Réseau résiduel utilisant Atrous CNN
  62. Réseau résiduel utilisant Atrous CNN + Bahdanau Attention
  63. Pyramide profonde CNN
  64. Transformateur-XL
  65. Transfert d'apprentissage GPT-2 345M
  66. Quasi-RNN
  67. Tacotron
  68. Tranche GRU
  69. Tranche GRU + Bahdanau
  70. Ondenet
  71. Transfert d'apprentissage BERT Base
  72. Apprentissage par transfert XL-net Large
  73. LSTM BiRNN global Mise en commun maximale et moyenne
  74. Transfert d'apprentissage BERT Base drop 6 couches
  75. Transfert d'apprentissage BERT Large drop 12 couches
  76. Apprentissage par transfert XL-net Base
  77. Transfert d'apprentissage ALBERT
  78. Apprentissage par transfert Base ELECTRA
  79. Apprentissage par transfert ELECTRA Large

Similitude du texte

Formé sur MNLI.

Liste complète (10 cahiers)
  1. BiRNN + perte de contraste, précision du test 73,032 %
  2. BiRNN + Entropie croisée, précision du test 74,265 %
  3. BiRNN + Perte de cercle, précision du test 75,857 %
  4. BiRNN + Perte proxy, précision du test 48,37 %
  5. Base BERT + entropie croisée, précision du test 91,123 %
  6. Base BERT + perte de cercle, précision du test 89,903 %
  7. ELECTRA Base + Entropie croisée, précision du test 96,317 %
  8. ELECTRA Base + Perte de cercle, précision du test 95,603 %
  9. Base XLNET + entropie croisée, précision du test 93,998 %
  10. XLNET Base + Perte de cercle, précision du test 94,033 %

Synthèse vocale

Formé sur l'ensemble de données vocales de Toronto.

Liste complète (8 cahiers)
  1. Tacotron, https://github.com/Kyubyong/tacotron
  2. CNN Seq2seq + Vocoder CNN dilaté
  3. Seq2Seq + Bahdanau Attention
  4. Seq2Seq + Attention Luong
  5. CNN dilaté + Attention monothique + Vocoder CNN dilaté
  6. CNN dilaté + Attention personnelle + Vocoder CNN dilaté
  7. CNN profond + Attention monothique + Vocoder CNN dilaté
  8. CNN profond + auto-attention + vocodeur CNN dilaté

Générateur de sujets

Formé sur l'actualité de la Malaisie.

Liste complète (4 cahiers)
  1. TAT-LSTM
  2. TAV-LSTM
  3. MTA-LSTM
  4. CNN dilaté Seq2seq

Modélisation de sujets

Extrait de l'ensemble de données sur les sentiments en anglais.

Liste complète (3 cahiers)
  1. LDA2Vec
  2. Attention
  3. Attention XLNET

Résumé extractif non supervisé

Formé sur des livres aléatoires.

Liste complète (3 cahiers)
  1. Sauter la pensée
  2. Réseau résiduel utilisant Atrous CNN
  3. Réseau résiduel utilisant Atrous CNN + Bahdanau Attention

Vectoriseur

Formé sur un ensemble de données de sentiments en anglais.

Liste complète (11 cahiers)
  1. Vecteur de mots utilisant l'exemple CBOW softmax
  2. Vecteur de mots utilisant l'estimation contrastée du bruit CBOW
  3. Vecteur de mots utilisant un exemple de skipgram softmax
  4. Vecteur de mots utilisant l'estimation contrastive du bruit skipgram
  5. Supervisé Embarqué
  6. Perte de triplet + LSTM
  7. Encodeur automatique LSTM
  8. LSTM à perte de triplet par lots
  9. Texte rapide
  10. ELMO (biLM)
  11. Perte de triplet + BERT

Visualisation

Liste complète (4 cahiers)
  1. Attention carte thermique sur Bahdanau Attention
  2. Attention carte thermique sur Luong Attention
  3. Attention BERT, https://github.com/hsm207/bert_attn_viz
  4. Attention XLNET

Vocodeur pour jeunes et vieux

Formé sur l'ensemble de données vocales de Toronto.

Liste complète (1 cahiers)
  1. CNN dilaté

Attention

Liste complète (8 cahiers)
  1. Bahdanau
  2. Luong
  3. Hiérarchique
  4. Additif
  5. Doux
  6. Attention sur Attention
  7. API Bahdanau
  8. API Luong

Pas d'apprentissage en profondeur

  1. Chatbot de Markov
  2. Résumé de la décomposition (3 cahiers)
Développer
Informations supplémentaires
Applications connexes
Recommandé pour vous
Actualités connexes Tout